求解传感器网络最大生存时间的最大流算法

合集下载

传感器网络生存时间的上限

最佳任务分配下的传感器网生存期定限问题摘要在用于数据收集的ad-hoc无线传感器网中，一个关键的挑战是如何使一个仅仅储存着几百焦耳能量的节点能够工作几年。

本文通过推导生存期的上限给出了面向能量有效的数据收集传感器网的基本极限准则。

一、总结在解决数据收集传感器网络的生存期上限问题时，我们很容易问这样一个问题。

有没有一个统一的，与网络拓扑无关的解析形式的上界存在，若存在，其形式是什么，本文给出了答案。

事实上，给定观测区域，目标可观测半径，节点能量参数，节点总数，节点初始能量，以及目标于观测区域内服从特定的空间概率分布，这些客观条件的基础上，则一定存在一种网络结构，可以使网络的生存期实现最大化，且这个最大值与拓扑结构无关。

本文通过一系列合理假设，在简化模型的基础上给出了网络的生存期上限的表达式，该上限与网络拓扑无关，并且证明是紧上限或近似紧上限。

最后引入分割的思想，将任意区域划分为容易计算的子区域，由子区域的生存期上界推出整个区域的上界，从而使问题得到较圆满的解决。

二、研究的问题1、节点能量模型2、与拓扑无关的网络最大生存时间3、将任意区域划分为子区域，子区域生存期的上限与整个区域的生存期上限的关系。

三、准备工作A、术语目标区域或观测区域称之为R，基站称为B（图一）。

在任何给定情况下，传感器网络中的节点都可以根据有无能量剩余而被分为live或dead。

live节点之间通过协作确定何时目标在R内，并将结果传递到基站B。

在协作模型下我们假定一个live节点担当一下任务之一：感应：节点通过传感器观察目标，将信息数字化，进行预处理并将其发送出去。

传递：不进行任何处理的转发。

休眠：节点在既不感应也不传发时处于休眠状态。

虽然节点的位置是固定的，但是其任务可能根据时间推移而改变。

图一B、观测目标行为特点引入随机变量来描述目标在观测区域的行为，用二维概率密度函数(,)l x y来描述目标出现在区域A的概率。

source因为一个节点可以观测的区域是有限的，设其观测半径为d。

无线传感器网络最大生命期数据融合算法_高德民

命期数据融合算法
问题描述 S i 的数据，节点 i 接收上游节点集合珖对数据
数据融合技术是通过消除数据冗余部分，以达到节省数据传输开销和降低通信干扰的方法。假设节点 i 将原始数据传递给节点 j，定义数据相 j） = 1 － H （ i | j ） / H （ i ）。其中， H（ i）表关系数 ρ（ i，示节点 i 发送的原始数据大小，而 H （ i | j ）表示节点 j 的根据其本地信息去掉了该原始数据中与之相关联的信息后所得到的融合数据的大小。数据相关模型为数据之间的关联程度，其中典型模型，该模型假设数据间的相关性与节 1 j） = 。点之间相对距离成反比，即 ρ （ i， 1+d（ i， j）有反转模型则假设数据间的相关性与节点之间相对距离呈指数下降趋势，其数据相关系 j ） = exp （－ αd2 （ i， j ））。其中，数可以表示为 ρ （ i， α 是相关性参数， α 越大，相关性越小；反之，则越。，大为了避免数据循环融合压缩我们假定对于任何原始数据只发生一次数据融合，已经被融合过的数据不再被压缩。高斯随机场模型
第 36 卷第 1 期 2012 年 2 月
南京理工大学学报
Journal of Nanjing University of Science and Technology
Vol． 36 No． 1 Feb． 2012
无线传感器网络最大生命期数据融合算法
1， 2 1 1 1， 3 高德民，钱焕延，严筱永，王晓楠
56
南京理工大学学报
第 36 卷第 1 期
无线传感器网络（ Wireless sensor networks， WSN）目前广泛地应用于国防军事、国家安全、环［1 ］，境监测和医疗卫生等领域近年来正逐渐成为研究的热点。无线传感器网络是由一组传感器节点和基站（或称 Sink ）自组织而形成的一个无线多跳网络。通常传感器网络采用节点高密度部署，相邻节点对同一事件进行监测所获得的数据往往具有时间或空间上的关联性。节点在收到邻居节点的数据后，可以根据自身收集的信息，消除数据间的冗余，这种技术通常被称为数据融［3 ］合技术。数据融合技术可以减少节点间传递的数据量，从而有效降低通信中的干扰。由于传感器节点在能量、存储空间与计算能力上有，合理运用数据融合技术可以大大减少网络延长网络生命期，但是同时数据融合技术也能耗，限为无线传感器网络中节能路由算法的设计增加了相当的难度。关于无线传感器网络数据融合的算法中，比较典型的是低功耗自适应集簇分层型（ Low energy adaptive clustering hierarchy， LEACH ）协议算法［5］。该算法通过动态分群算法，将节点的数据集中到邻近的群首进行融合。该算法中群首需要通过高功率将数据传送至基站，分群控制开销和能量开销都较大，而且没有详细分析数据相关性指标与融合后数据量大小和网络生命期的关系，一定程度地简化了融合算法复杂性。在关于最大化网络生命期的数据融合路由算法的研究中，文献较少。通常网络最大生命期的问题可以被归结为一个最小 Steiner ［ 6 ］生成树的问题，其中最小能量聚集算法（ Minimum energy gathering algorithm， MEGA ）算［ 7 ］，法是基于最小功率生成树算法通过编码树选择数据融合点，采用了有向图中的最短生成树得到问题的解。最大生命期路由（ Maximum lifetime routing， MLR）算法［8］采用地理位置路由，其中数据被分类为原始数据和融合数据，两种数据都按照一定比例被分发到邻居节点，并通过最优化方法对最优比例进行求解以最大化网络生命期。研究实验表明上述融合路由算法在一定程度上提高了无线传感器网络的传输性能，但当网络规模不断扩大及节点的分布更加复杂时，传感器节点有限的计算能力远不能满足复杂路由计算的需求。目前大部分数据融合算法只考虑路由的能量高效性，容易造成数据传输集中在能量最小的路径上，引起网络拥塞，也容易造成该路径上节

求解传感器网络生存时间最大化问题的遗传算法编码设计

ｌｓｈｉｓｒｎｔｓａｄｗｅｋｅｓｓｙｅｔｅｒｔｅｇｈａｎｓｅ．ｎ
关键词：传感器网络；最大生存时间；遗传编码
Ｋｅｒｓｓｎｏｅｗｏｋ；ｘｍｕｉｔｅｇｎｔｏｉｇｙｗｏｄ：ｅｓｒｎｔｒｍａｉｍｌｅｉ；ｅｅｉｃｎｆｍｃｄ
摘
要：求解传感器网络最大生存时间是设计高性能路由协议和拓扑控制协议的理论基础，实践上有很重要的意在
义。目前主要通过近似算法求解，而且没有考虑到接收功耗。本文对生存时问优化问题进行了形式化描述，出了最佳传给
输方案和最大生存时间的定义，从遗传算法角度给出了求解该问题的两个编码方案并进行了比较。
维普资讯
Ｃ３１５／Ｎ４－２８ＴＰ
ＩＮ０７１０ＳＳ１０ — ３Ｘ
计算机工程与科学
ＣＯＭＰＵＴＥＮＧＮＥＲＮ＆ＳＩＮＥＲＥＩＥＩＧＣＥＣ
２０年第２卷第９０７９期
Ｖｏ．９Ｎｏ９２０１２，．，０７

中图分类号：３３ＴＰ９
文献标识码：Ａ
１引言
能量有限是传感器网络的一个重要特点。使用能量有
为带有点权（Ｐｅ能量）和弧权（即能量消耗速度）的传输网络上的多源多汇最大流问题。对这个问题，目前尚无求精确
解的高效方法。
Ｋｌａｉ。ａｐｋｓ］［研究了数据汇集流的生存时间优化问题，使用整数规划对问题进行了描述，使用线性规划方法求并近似解。该算法对网络规模的扩展性很差。为了提高扩展性，ａｇｐａ４Ｄｓｕｔ［提出了一个基于分簇结构的改进算法。由］于直接解规划问题的复杂度很高，后续的研究主要围绕启发式和近似算法展开。Ｃａｇｓ研究了带有功率控制、ｈｎ［３不考虑接收功耗的多物流单播生存时间优化问题，并给出了两个启发式算法：流增广算法ＦＡ和流重定向算法ＦＲ。在后续的研究［中，ｈｎ６Ｃａｇ将多物流近似算法Ｇｒ－ｏｎ－］ａｇＫｅｅｍａｎ应用于生存时间最大化问题。ＳｎａＣ针对同样的ｎａｋｒ］问题，出了基于另一个多物流近似算法的分布式方法。给以上两个算法［］６属于一种试图对规划问题直接求近似解的方法，和启发式方法比较，它的优点是近似度有所保证，

无线传感器网络优化生存时间的动态路由算法

无线传感器网络优化生存时间的动态路由算法朱艺华1,沈丹丹2,吴万登1,沈振伟1,汤一平1(11浙江工业大学信息工程学院,浙江杭州310032;21浙江工业大学经贸管理学院,浙江杭州310023) 摘　要:　节能和延长网络生存时间是无线传感器网络研究领域的热点问题.该文综合考虑网络中节点的剩余能量和节点间传输数据的能耗,基于最短路径树算法,通过构造两种不同的权值函数,提出了“比例权值路由算法”(Ratio 2W )与“和权值路由算法”(Sum 2W ).仿真分析表明,所提出的算法可以延长网络生存时间,并使能耗经济有效,比一些已有知名算法更优.关键词:　无线传感器网络;路由;网络生存时间;节能中图分类号:　T N92 文献标识码:　A 文章编号:　037222112(2009)0521041205Dynamic Routing Algorithms Optimizing Lifetime of Wirele ss Sensor NetworksZH U Y i 2hua 1,SHE N Dan 2dan 2,W U Wan 2deng 1,SHE N Zhen 2wei 1,T ANG Y i 2ping 1(11College o f Information Engineering ,Zhejiang Univer sity o f Technology ,Hangzhou ,Zhejiang 310032,China ;21College o f Business Administration ,Zhejiang Univer sity o f Technology ,Hangzhou ,Zhejiang 310023,China )Abstract :　Saving energy and prolonging network lifetime are key issues of wireless sensor networks.Based on shortest path tree ,ratio weight (Ratio 2W )and sum weight (Sum 2W )routing algorithms are proposed ,in which both remaining energy of nodes and energy consumption for delivering packets on wireless links are considered.Simulation exhibits the Ratio 2W and the Sum 2W can prolong network lifetime and make energy consumed efficiently and effectively.In addition ,the proposed algorithms outperform some well 2known routing algorithms in terms of network lifetime and energy consumption.K ey words :　wireless sensor network ;routing ;network lifetime ;energy saving1　引言无线传感器网络是部署在监测区域内、由大量微型传感器节点通过无线电通信形成的一个多跳的自组织网络,其目的是协作地感知、采集和处理网络覆盖区域里被监测对象的信息,并发送给观察者.在传感器网络中,当一个远离基站的节点要向基站传输所感知的数据时,往往要借助于中间节点、以多跳的方式转发数据.传感器网络具有集中式数据收集、多跳数据传输、多对一流量模式等特征.由于传感器节点大多采用电池供电,电源能量受到限制,因此,传感器网络的部署及路由协议都需要从节能出发,最大限度地延长整个网络的生存时间[1].事实上,网络生存时间的定义因应用而异:对于一个节点的失效就会影响整个传感器网络正常运转的应用来说,网络生存时间就是从网络开始运转到第一个节点失效这一时间段;而对于其它一些应用,网络生存时间可能是到一部分节点(如半数节点)失效这一时间段[2].本文采用前者,即到第一个节点失效这一时间段作为网络生存时间[2,3].文献[4]研究了传感器网络部署策略,提出了网络生存时间和代价的一般模型,以分析与优化这些部署策略.在无线传感器网络的路由研究领域,已经给出了一些路由协议.Flooding [5]和G ossiping [6]是两个传统的路由协议,它们以洪泛为基础,其信令开销较大.LE ACH [7]是一种基于簇的路由协议,其基本思想是随机选择簇首节点,将整个网络的能量负载平均分配到每个节点上,从而降低能耗、延长网络生存时间.最大化生存时间路由协议[8],利用网络流建模,采用线性规划方法解决最大生存时间问题.文献[9]从理论上分析了最大化网络生存周期的数据收集问题,提出了一种近似最优的最大化网络生存周期的数据收集算法.文献[10]在数据收集和聚合机制下,提出了基于最小生成树(MST ,M inimum S panning T ree )的路由算法———PE DAP 与PE DAP 2PA.收稿日期:2008206223;修回日期:2008209209基金项目:国家自然科学基金(N o 160873228,N o 160673177);浙江省钱江人才计划项目(N o 12007R10G 2020022)第5期2009年5月电子学报ACT A E LECTRONICA SINICA V ol.37　N o.5M ay 2009 怎样高效利用传感器网络的节点能量以提高网络生存时间是无线传感器网络领域中一个十分重要的研究课题.我们注意到,一些节能路由算法(如基于最小生成树的路由算法)虽然降低了整个网络的能耗,但网络生存时间却缩短了,这是因为在这些算法中某几个枢纽节点因承担了过多的数据分组转发任务导致电池能量过早耗竭而死亡.因此,如何设计一种既能节约能量,又能延长生存时间,还能使数据分组传递延时小的路由对传感器网络的有效运转是极为关键的.此乃本文的研究要点.本文的主要创新之处在于:综合考虑网络中节点的剩余能量和节点间传输数据的能耗需求,基于最短路径树,提出了“比例权值路由算法”(Ratio 2W )与“和权值路由算法”(Sum 2W ).2　系统假设与能耗模型无线传感器网络中,节点一般分为S ink 节点(即数据收集节点)和普通传感器节点(简称节点).我们假设:(1)S ink 节点及其它所有普通节点的位置是固定的,且S ink 有整个网络拓扑结构信息;(2)普通节点具有相同的属性(如无线电发射功率、通信半径、单位时间能耗等);(3)每个普通节点能量受限,但S ink 能量不受限制;(4)S ink 节点定期地进行数据收集,普通节点通过直接或多跳的方式把数据传送给S ink.考虑到各节点主要的能耗是由无线接口发送与接收数据产生,其它能耗(如计算过程所消耗的能量等)可忽略不计,因此,在计算能耗时,我们采用最常用的first order radio 模型[11],即节点接收k 比特数据时的能耗为:E R (k )=kE elec(1)将k 比特数据从一个节点发送到另一个节点所需消耗能量为:E T (k ,d )=kE elec +kE amp dγ(2)其中,E elec 为电路上接收或发送每比特数据的能耗;E ampd γ为放大器发送每比特数据的能耗;d 为发送节点与接收节点之间的距离;γ是路径损耗系数,一般取值范围在[2,4]之间.于是,根据式(1)、(2)可知,两个距离为d ij 的节点i ,j 之间传输k 比特数据的总能耗为:C ij (k ,d ij )=E R (k )+E T (k ,d )=k (2E elec +E amp d γij )(3)3　算法描述在无线传感器网络中,如果节点j 在节点i 的通信范围之内,则称节点j 是节点i 的邻居.由上节第(2)个假设可知,这时,节点i 也是节点j 的邻居.以(i ,j )表示邻居节点i 与j 的通信链路,N (i )表示节点i 邻居的集合.此外,以无向图G (V ,E )表示传感器网络,其中V 为所有传感器节点的集合,E 为图中所有边即通信链路的集合.易知,式(3)就是在链路(i ,j )传输k 比特数据所需的能耗. 我们选取到网络中第一个节点因能量耗尽而失效为止这段时间为网络的生存时间[2,3].因此,要延长网络生存时间,就要尽可能降低数据收集过程中各节点的能耗.如果着眼于整个网络的能耗即网络中所有节点的能耗,我们应该注意到:在将图G (V ,E )的边的权重取为沿着这条边传递数据所需的能耗(即式(3))条件下,各个节点均沿着图G (V ,E )的最小支撑树将数据汇集到Sink 节点的路由算法(如PE DAP 算法[10])不是最优算法,而最优算法是基于LET (Least Energy T ree )的路由算法[12](以下简称LET 算法).其理由是:LET 算法以式(3)作为无线传感器网络通信链路的权值,再由Dijkstra 算法得到图G (V ,E )的一棵树根在sink 的最短路径树即LET ,然后图G (V ,E )的所有节点均沿着LET 将数据传送到S ink ,因而各个节点均以最小能耗将数据发送到S ink ,故而整个网络的能耗最小.例如,对图1所示的传感器网络,其中,节点1是S ink 节点,边上所注数字表示边的权值(如能耗),易知:图2是它的最小支撑树,图3是它的最短路树.可以看出:节点2,3,…,6沿着图2所示的最小支撑树将数据汇集到S ink 即节点1,总的权值是(5+1)+1+(2+4+1)+(3+5+1)+(4+1)=28;但这些节点沿着图3所示的最短路树(LET )将数据汇集到S ink ,总的权值是6+1+5+(6+1)+(4+1)=24.因此,后者比前者更优.然而,LET 算法存在着一个缺点:它忽视了节点的2401 电子学报2009年剩余能量,容易导致一些关键节点因承担过多的数据转发任务,过早耗尽能量而失效.为了弥补这一缺点,除了考虑式(3)的能耗之外,我们考虑节点的剩余能量,通过引入新的链路权值,将LET算法推广为以下两种算法:“比例权值(Ratio2W)算法”与“和权值(Sum2W)算法”.以Re(i)表示节点i的剩余能量,以wij表示链路(i,j)的权值.在Ratio2W算法中,取w ij=[C ij(k,d ij)]α1Re(i)β(4)其中,α、β为正常数,分别称为“能耗因子”与“剩余能量因子”;在Sum2W算法中,取w ij=λC ij(k,d ij)+δ1Re(i)(5)其中,λ与δ为正常数且λ+δ=1,分别称为“能耗权重”与“剩余能量权重”.可以看出:当α=1,β=0(或λ=1,δ=0)时,Ratio2W算法(或Sum2W算法)变为LET 算法.Ratio2W与Sum2W算法均采用Dijkstra算法构建路由树(最短路树),具体算法如下[12]:T={s},L=V-{s}for each v∈L{if(v,s)∈E,then {p(v)=s,Dpath(v)=w v,s}else {p(v)=-1,Dpath(v)=∞}}do while L≠{find v0∈L such that D path(v0)≡m inv∈L{D path(v)}　T=T∪{v0},L=L-{v0}　for each u∈N(v0) if Dpath (v0)+w u,v<D path(u),then {Dpath (u)=D path(v0)+w u,v,p(u)=v0};}从式(4)、(5)式可知,随着节点i剩余能量Re(i)的减少,节点i与邻居节点的链路的权值就会增加,因而,在Dijkstra算法中,它就会推迟被加入到路由树中(即它离树根节点———S ink节点的跳数增大),从而它转发其他节点的数据量就减少,这样就延长了这个节点的生存时间,同时也延长网络生存时间.4　算法的实现 Ratio2W与Sum2W算法是集中式算法,用在S ink节点.S ink节点开始数据收集时,采用洪泛(flooding)方式向所有节点发一个数据分组RE Q,通知这些节点收集数据即将开始.各节点收到RE Q之后,回复一个数据分组REP给S ink节点,REP包括:节点的剩余能量Re(i)以及所要发送的数据量k(比特).S ink在收到各节点的REP分组之后,运行Ratio2W算法(或Sum2W算法),以构建路由树(由此可见,路由树是根据当时的节点剩余能量及所要发的数据量动态构建出来的).在算法完成(即路由树构建完成)之后,S ink节点采用洪泛方式将路由树告诉网络中的所有节点,之后,所有节点根据收到的路由树发送数据.由第2节假设(1),S ink节点知道整个网络的拓扑结构包括节点间的距离,于是在S ink收到所有节点发来的剩余能量Re(i)、所要发送的数据量k之后,可以计算出式(4)、(5)的权值.因此,Ratio2W算法与Sum2W 算法可以在S ink节点实现.5　仿真结果与分析为验证算法有效性,我们将Ratio2W、Sum2W、PE DAP、PE DAP2PA、LET等算法进行比较.我们不考虑节点竞争信道、数据分组出错、超时重发、信令传递、计算、数据融合等能耗,仅考虑无线通信能耗.在仿真时,取与文献[11]相同的参数:Eelec=50(n J/bit),E amp=100 (pJ/bit/m2),γ=2,节点无线电通信半径为200m,节点初始能量1000J,节点每次发给S ink节点的数据量1Mb.根据给定的节点数,在1000×1000m2的正方形区域内随机产生50个拓扑结构图,并对每个拓扑图计算PE DAP、PE DAP2PA、LET、Ratio2W、Sum2W的网络生存时间、平均能耗和平均时延,然后计算其平均值.其中,网络生存时间以S ink所完成的数据收集周期(DG C,Data gathering cycle)个数来表示,一个DG C是指从S ink节点开始收集数据到它收集到网络中每个节点的数据所需的时间;平均能耗=在网络生存时间内所有节点的总能耗/(DG C个数3节点个数);平均时延=在网络生存时间内所有数据分组到达S ink节点的总跳数/(DG C个数3节点个数).图4比较了各算法的网络生存时间.其中,权值函数(4)、(5)中的参数分别取为α=1,β=1和λ=0101,δ3401第　5　期朱艺华:无线传感器网络优化生存时间的动态路由算法=0199.由图4可以看出,Ratio 2W 的网络生存时间(DG C个数)最优,Sum 2W 的网络生存时间比PE DAP 2PA 略差,但超过了PE DAP 、LET .从图5可知,LET 能耗最小,Ra 2tio 2W 与Sum 2W 次之,PE DAP 和PE DAP 2PA 的能耗相对较大.网络时延的比较如图6所示,Sum 2W 、Ratio 2W 的时延较低,比PE DAP 、PE DAP 2PA 优;与LET 相比,Sum 2W 更优,但Ratio 2W 的时延与LET 接近. 下面研究Ratio 2W 与Sum 2W 中各参数对网络指标的影响.首先,研究Ratio 2W .固定β=1,并让α≥1,分别取α=1,3,5,7,9,得到图7与图8.可以看出:在节点数给定后,α越大,相应的网络生存时间(DG C 个数)越小(图7),且平均能耗越大(图8).这是因为:(1)在α≥1时,随着α的增大,权值函数(4)中链路能耗的作用变大,相应地削弱了节点剩余能量在权值函数(4)中的作用,从而降低了网络生存时间;(2)DG C 个数的减小,使得每个DG C 的能耗增加.从图7及图8可以看出,当α增大到一定程度,它的变化对网络生存时间与平均能耗的影响越来越不明显.此外,当α<1时,我们得到:在节点数给定后,α越大(即α越接近于1),相应的网络生存时间越大,且平均能耗越小(此处,我们省略实验结果图).固定α=1,并让β<1,分别取β=011,013,015,017,019,得到图9与图10.可以看出:在节点数给定后,β越接近于1,网络生存时间越大(图9),但能耗也越大(图10).在取β≥1的情况下,β越大,网络生存时间越小,且能耗越大(此处省略实验结果图). 综上所述,在Ratio 2W 算法中,如果强调优化网络生存时间,则选择α、β接近于1;如果强调优化能耗,则选择α接近于1,β接近于0.下面研究Sum 2W 的参数变化对网络指标的影响.由于式(5)的参数是归一化的,即λ+δ=1,因此,只对其中一个参数λ对网络生存时间、能耗和时延方面的影响进行研究即可.固定网络中的节点数为25,令λ取值0101,0102,…,012,得到图11与图12.可以看出,随着λ的增大,网络生存时间出现波动并呈缓慢下降趋势(图11),同时能耗也随着波动(图12).因此,在用Sum 2W 算法时,如果侧重于网络生存时间,应该让λ取较小的值(即接近于0的值);否则,取较大的值(即接近于1的值).4401 电子学报2009年6　结束语本文基于最短路径树,通过构造不同的权值函数,提出了Ratio2W与Sum2W两种路由算法,这两种路由算法,能够延长网络生存时间并将能耗维持在一个经济的水平.同时,通过对算法参数的调整,可以平衡网络生存时间与能耗.参考文献:[1]Tubaishat M,Madria S.Sensor networks:An overview[J].IEEE Potentials,2003,22(2):20-23.[2]Wang J,Howitt I.Optimal traffic distribution in minimum ener2gy wireless sensor networks[A].2005IEEE Global Telecom2 munications Conference[C].Washington DC,USA:IEEE Communications Society,2005.3274-3278.[3]Liang W,Liu Y.Online data gathering for maximizing networklifetime in sensor networks[J].IEEE Transactions on Mobile Computing,2007,6(1):2-11.[4]Cheng Z,Perillo M,Heinzelman W B.General network lifetimeand cost models for evaluating sensor network deployment strategies[J].IEEE Trans.on Mobile Computing,2008,7(4): 484-497.[5]Hedetniemi S,Liestman A.A survey of gossiping and broad2casting in communication networks[J].Networks,1998,18(4):319-349.[6]Haas Z J,Halpern J Y,Li L.Gossip2based Ad hoc Routing[A].Proc.of the IEEE INFOCOM[C].New York:IEEECommunications Society,2002.1707-1716.[7]Heinzelman W,Chandrakasan A,Balakrishnan H.Energy2effi2cient communication protocol for wireless microsensor networks[A].Proc.of the33rd Annual Hawaii International Conferenceon Systems Science[C].Washington DC,USA:IEEE Comput2 er Society,2000.3005-3014.[8]Chang J H,Tassiulas L.Maximum lifetime routing in wirelesssensor networks[J].IEEE/ACM Trans.on Networking,2004, 12(4):609-619.[9]Zhang Q,Xie Z P,Ling B,Sun W W,Shi B L.A maximumlifetime data gathering algorithm for wireless sensor networks [J].J ournal of Software,2005,16(11):1946-1957.[10]Tan H O,Korpeoglu I.Power efficient data gathering and ag2gregation in wireless sensor networks[J].ACM SIGMOD Record,2003,32(4):66-71.[11]Heinzelman W B,Chandrakasan A P,Balakrishnan H.An ap2plication2specific protocol architecture for wireless microsensor networks[J].IEEE Trans.Wireless Commu,2002,1(4):660-670.[12]Zhu Y2H,Wu W,Leung V C M,Yang L.Energy2efficienttree2based message ferrying routing schemes for wireless sen2 sor networks[A].ChinaCom2008[C].Hangzhou,Zhejiang, China,Aug.25-28,2008.作者简介:朱艺华　男,1961年生于浙江玉环,博士,教授,博士生导师, IEEE高级会员,中国计算机学会高级会员,中国电子学会高级会员,主要研究方向为移动计算、无线网络的协议、算法、性能分析与优化,在《IEEE T ransactions on W ireless C ommunications》、《IEEE C ommunications Letters》、《IEEE T ransactions on Vehicular T echnology》、《Journal of C om puter Science and T echnology》、《电子学报》、《计算机研究与发展》及IEEE国际会议论文集上发表学术论文100余篇.E2m ial:yhzhu@沈丹丹　女,1983年生于浙江杭州,硕士研究生,主要研究方向为无线传感器网络路由算法、最优化理论与算法.吴万登　男,1983年生于浙江瑞安,硕士研究生,主要研究方向为移动自组织网络及无线传感器网络路由算法.沈振伟　男,1982年生于浙江嘉兴,硕士研究生,主要研究方向为无线传感器网络路由算法.汤一平　男,1958年生于浙江杭州,博士,教授,主要研究方向为全方位视觉传感器、普适计算技术,已经授权和公开的国家发明专利70多项,发表学术论文90余篇.5401第　5　期朱艺华:无线传感器网络优化生存时间的动态路由算法。

无线传感器网络最大生命期聚合树路由算法

ａｌｇｏｉｔｒｈｍ，ａｎｄｓｈｏｗｓｉｔｃａｎｅｆｆｅｃｔｉｖｅｌｙｐｒｏｌｏｎｇｎｅｔｗｏｒｋｌｉｆｅｔｉｍｅ．
ｔｒｅｅ，ａｎｄｒｅｌｉａｚｅｍａｘｉｍｉｚａｔｉｏｎｏｆｎｅｔｗｏｒｋｌｉｆｅｔｉｍｅ．Ｓｉｍｕｌａｔｉｏｎｓｖｅｒｉｉｆｅｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｐｒｏｐｏｓｅｄ
１３０
传感器与微系统（ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓ）
２０１４年第３３卷第ｌ期
无线传感器网络最大生命期聚合树路由算法
关键词：无线传感器网络；网络生命期；最大生命期；数据聚合
中图分类号：ＴＰ３９３
… …
文献标识码：Ａ
－
文章编号：１０００－－９７８７（２０１４）０１－０１３０－０４
－ ‘ －ｌ …
Ｍａｘｉｍｕｍｌｆｅｉｔｉｍｅａｇｇｒｅｇａｔｉｏｎｔｒｅｅｒｏｕｔｉｎｇａｌｇｏｒｉｔｈｍ
ｆｏｒｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ
ＸＵＥＭｉｎｇ，ＧＡＯＤｅ．ｍｉｎ

传感器网络的寿命问题

传感器网络的寿命问题随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，具有感知能力、计算能力和通信能力的微型传感器开始在世界范围内出现。

由这些微型传感器构成的传感器网络引起了人们的极大关注。

这种传感器网络综合了传感器技术、嵌入式计算技术、分布式信息处理技术和通信技术，能够协作地实时监测、感知和采集网络分布区域内的各种环境或监测对象的信息，并对这些信息进行处理，获得详尽而准确的信息，传送到需要这些信息的用户。

例如，传感器网络可以向正在准备进行登陆作战的部队指挥官报告敌方岸滩的详实特征信息，如丛林地带的地面坚硬度、干湿度等，为制定作战方案提供可靠的信息。

传感器网络可以使人们在任何时间、地点和任何环境条件下获取大量详实而可靠的信息。

因此，这种网络系统可以被广泛地应用于国防军事、国家安全、环境监测、交通管理、医疗卫生、制造业、反恐抗灾等领域。

传感器网络是信息感知和采集的一场革命。

传感器网络作为一个全新的研究领域，在基础理论和工程技术两个层面向科技工作者提出了大量的挑战性研究课题。

由于传感器网络的巨大应用价值，它已经引起了世界许多国家的军事部门、工业界和学术界的极大关注。

美国自然科学基金委员会2003年制定了传感器网络研究计划，投资34 000 000美元，支持相关基础理论的研究。

美国国防部和各军事部门都对传感器网络给予了高度重视，在 C4ISR 的基础上提出了 C4KISR 计划，强调战场情报的感知能力、信息的综合能力和信息的利用能力，把传感器网络作为一个重要研究领域，设立了一系列的军事传感器网络研究项目。

美国英特尔公司、美国微软公司等信息工业界巨头也开始了传感器网络方面的工作，纷纷设立或启动相应的行动计划。

日本、英国、意大利、巴西等国家也对传感器网络表现出了极大的兴趣，纷纷展开了该领域的研究工作。

传感器网络的研究起步于 20 世纪 90 年代末期。

从 2000 年起，国际上开始出现一些有关传感器网络研究结果的报道。

多基站数据聚合无线传感器网络中的最大生命期地理位置路由

Ｇｅｇａ－‘ ａｅ１ｍａｌＵｍｉｅｅｒｕｔｎｇｌｎａｇｒｇｔｄ一ｏｒｐｈｉ１Ｓｄｘ● ＤｃｍｌｔＵｍｏ・ｎＪａｇｅａ・－－ … ｉ ● １ｔ・ａｅ
ｗｉｅｅｓｓｎｓｒｎｅｗｏｋｓｗｉｈｍｕｌｉｅｂａｅｓａｉｎｓｒｌｓｅｏｔｒｔｔｐｌｓｔｔｏ
ＴＡＮＧｅ，ＷｉＧＵＯｅＷｉ
（ｔｎｌｙＬｂｒｔｒｆｃｎｅｎＴｃｎｌｇｏｏＮａｏａＫｅａｏａｙＳｉｃｄｅｈｏｏｙｎＣｍｍｕｉｔｎ，ｉｅｓｙｏＥｅｔｎｃｃｅｃａｄｅｈｏｇｆｈｎ，ｈｎｄ１７１ＣｉａｉｏｏｅａｎｃｉｓＵｎｖｒｔｆｌｒｉＳｉｅｎＴｃｎｌｙｏＣｉａＣｅｇｕ６１３，ｈ）ａｏｉｃｏｎｏｎ
ｉｅｒｐｈｉｏｕｉｇｓｈｍｅｗａｓｓｕｄｅＴｏｒｄｕｅｔｒｎｓｓｉｖｅｈａａｖｄｒｉｎｏｏ，ｍｅｂｅｓａｎｇｇｏｇａｃｒｔｎｃｅｔｉｄ．ｅｃｈｅｔａｍｓｏｎｏｒｅｄｎｄａｏｉｏｕｔｇｌｐｓｈｏａｓｔ— ｉ
１引言
无线传感器网络是一类特殊的多跳无线网络，
络具有数据中心的特点，即网络中的数据都汇集到少量基站节点。其次，无线电波的传播损耗与传播距离有关，因而节点功率控制依赖于节点的位置分布。再次，由于邻近节点所收集的数据之间往往Ｊ

异构监测传感器网络寿命最大化模型及其求解

ｆｔｆｔｅｓｎｏｅｗｏｋｄｃｅｓｓａｈｅｓ／ｒｎｍｉｓｏａｉｓｉｃｅｓｓａｄｔｅｔｎｎｅｉｏｈｅｓｒｎｔｒｅｒａｅｓｔｅｓｎｅｔａｓｓｉｎｒｄｕｎｒａｅｎｈｕｉｇｍｅ
整传感器网络的感知／射半径具有很强的指导意义．值结果表明，络最大寿命值随传感器的感知／射半径发数网发
的增加而减小；同时传感器发射半径的调整，以提高网络寿命．可
关键词
ｃｎｅｔｖｔｎｏｒｇｆｔｕｖｉｌｎｅａｅｓａａｔｏｈｅｃｎｓｒｉｓｏｎｃｉｉｙａｄｃｖｅａｅｏｈｅｓｒｅａｃｒａｓｐｒｆｔｏｔａｎｔ．ＦｒｍｈｌｏｔｅＫＫＴｈｅｔ — ｏｅ，ｔｅｃｒｓｎｎｇｉｅｕｌｔｅｅｏｅｅａｉｉｓａｈｅｏｉｌｓｌｉｎ．Ｆｕｔｒｒ，ｔｒｍｈｏｒｅｐｏｄｉｎｑａｉｉｓｂｃｍｑｕｌｔｅｔｔｐｔｍａｏｕｔｏｒｈｅｍｏｅｈｅ
ｓｏａｉｓｏｈｅｓｒｎｔｒｅｌｉｅｗａ．Ｎｕｅｉａｅｕｔｓｏｈｔｔｅｍａｉｌｉｉｎｒｄｕｆｅｓｎｏｅｗｏｋｉａｒａ — ｍｙｔｎｔｍｒｃｌｓｌｈｗｓｔａｈｘｍａｌ学院研究生院工程教育学院中
（国科学院科技政策与管理科学研究所北京中

无线传感器网络中的多目标优化算法与性能评估

无线传感器网络中的多目标优化算法与性能评估无线传感器网络是由大量的无线传感节点组成的分布式网络，用于感知、采集和传输环境中的各种数据。

其应用领域包括环境监测、智能交通、医疗保健等。

在无线传感器网络中，节点的能源和计算资源通常都是有限的，而网络中涉及的多目标优化问题要求节点能够有效地协同工作，以达到对多个目标指标的最优化。

多目标优化问题是指在优化问题中同时考虑多个冲突的目标指标的问题。

对于无线传感器网络中的多目标优化问题，通常有以下几个目标指标需要考虑：1. 最大化网络生命周期：无线传感器网络中的节点通常由电池供电，因此节点的能源是有限的。

为了延长网络的生命周期，需要控制节点的能量消耗，例如通过调整节点的工作模式、优化能源管理方法等。

2. 最小化传输延迟：在无线传感器网络中，数据的传输延迟会直接影响到网络的响应时间和实时性。

为了满足实时性要求，需要优化网络的传输路由和拓扑结构，减少数据传输的延迟。

3. 最大化数据传输量：无线传感器网络中的节点通常需要收集大量的数据，并将其传输到基站或其他节点进行处理。

为了提高数据传输效率，需要优化网络的拓扑结构和路由选择，确保节点能够高效地收集和传输数据。

在解决无线传感器网络中的多目标优化问题时，研究人员提出了许多不同的优化算法。

以下是几种常见的多目标优化算法：1. 遗传算法：遗传算法是一种模拟生物进化过程的优化算法，适用于无线传感器网络中的多目标优化问题。

它通过模拟自然选择、交叉、变异等操作来搜索潜在的解空间，并逐步优化目标函数。

遗传算法具有全局搜索能力，能够得到较优的解集。

2. 粒子群算法：粒子群算法是一种模拟鸟群或鱼群行为的优化算法，也适用于无线传感器网络中的多目标优化问题。

它通过模拟个体的位置和速度调整来搜索最优解，并通过个体之间的相互作用进行信息传递和协作。

粒子群算法具有快速收敛的特点，能够得到较优的解集。

3. 人工蜂群算法：人工蜂群算法是一种模拟蜜蜂觅食行为的优化算法，也适用于无线传感器网络中的多目标优化问题。

无线传感器网络中能量平衡与生命期优化

无线传感器网络中能量平衡与生命期优化随着物联网技术的不断发展，无线传感器网络(WSN)正逐渐应用于生产、环境监测、智能建筑等领域，为我们的生活和工作带来了很大的便利。

但是，WSN的一个重要问题是如何实现能量平衡和生命期优化。

一、WSN中的能量平衡问题WSN中的节点通常是由电池供电，因此能量的使用和消耗是问题的核心。

如果某些节点的能量消耗过快，这将导致整个网络的寿命减短。

因此，WSN中的一个重要问题是如何平衡节点的能量消耗。

1. 节点能量管理WSN的节点能量管理包括四个方面：能量感知、能量收集、能量储存和节能模式。

其中，节能是最重要的，因为它可以减少节点的消耗。

一个有效的节能策略是只在需要时才开启节点，而在不需要时则关闭。

2. 能量传输另一个重要的能量平衡问题是节点之间的能量传输。

在WSN中，有些节点可以通过传输能量来帮助其他节点。

这些节点通常称为能量收集器或中继节点。

通过这些节点，能量可以从能量充足的节点传输到能量较少的节点。

这种能量传输技术可以帮助每个节点的能量保持平衡，从而使整个网络的生命期更长。

二、WSN中的生命期优化问题除了能量平衡之外，WSN的另一个问题是生命期优化。

在WSN中，节点的寿命由电池的寿命决定。

因此，一个节点的可用寿命取决于其电池的能量存储量和消耗率。

1. 路由优化路由是WSN中最重要的优化问题之一。

正确的路由算法可以帮助确保整个网络的生命期最大化。

在路由算法中，一个节点必须知道其附近的其他节点，以便它可以选择最佳路径来传输数据。

2. 网络拓扑优化网络拓扑也影响节点的生命期。

网络拓扑是WSN中节点之间的连接方式。

如何优化网络拓扑以延长节点的生命期是WSN关注的问题。

三、解决问题的方法WSN中的能量平衡和生命期优化问题可以通过以下方法解决。

1. 路由算法基于分布式算法的路由算法可以帮助优化网络拓扑。

这种算法在节点中运行，不需要中央节点的参与，因此具有伸缩性。

2. 能量感知协议能量感知协议可以帮助节点感知和记录其电池的能量消耗情况。

求解传感器网络最大生存时间的最大流算法

求解传感器网络最大生存时间的最大流算法
潘晏涛;彭伟;卢锡城
【期刊名称】《国防科技大学学报》
【年(卷),期】2006(028)003
【摘要】节能是传感器网络研究的中心问题之一,目的是延长网络的生存时间.因此对于一个给定网络,很自然地关心它的最大生存时间是多少.从网络最大流的角度分析这个问题,给出了求解传感器网络最大生存时间确切值的算法.
【总页数】5页(P59-63)
【作者】潘晏涛;彭伟;卢锡城
【作者单位】国防科技大学,计算机学院,湖南,长沙,410073;国防科技大学,计算机学院,湖南,长沙,410073;国防科技大学,计算机学院,湖南,长沙,410073
【正文语种】中文
【中图分类】TP393.4
【相关文献】
1.求解传感器网络生存时间最大化问题的遗传算法编码设计 [J], 潘晏涛;朱培栋
2.无线传感器网络最大生命期与最大流路由算法 [J], 薛明;高德民
3.网络最大流的自适应求解算法——SAPR算法 [J], 江锦成;吴立新;杨宜舟;李志锋
4.基于宽度优先的网络最大流求解算法 [J], 邵丽萍;赵礼峰
5.求解网络最大流问题的信念传播算法 [J], 左逢源;王晓峰;任雪娇;张丹丹
因版权原因，仅展示原文概要，查看原文内容请购买。

无线传感器网络中的最大生命期基因路由算法

无线传感器网络中的最大生命期基因路由算法唐伟;郭伟【摘要】无线传感器网络(wireless sensor networks,简称WSNs)由一组低功率且能量受限的传感器节点构成,设计此类网络的一个基本挑战便是最大化网络生命期的问题.在WSNs中,由于邻近传感器节点所收集的数据之间往往具有时空相关性,多采用数据聚合技术作为去除数据冗余、压缩数据大小的有效手段.合理地应用数据聚合技术,可以有效地减少数据传递量,降低网络能耗,从而延长网络生命期.研究了WSNs中结合数据聚合与节点功率控制的优化数据传递技术,提出了一种新的最大化网络生命期的路由算法.该算法采用遗传算法(genetic algorithm,简称GA)最优化数据聚合点的选择,并采用梯度算法进一步优化结果.该算法均衡节点能耗,并最大化网络生命期.仿真结果表明,该算法极大地提高了网络的生命期.【期刊名称】《软件学报》【年(卷),期】2010(021)007【总页数】11页(P1646-1656)【关键词】无线传感器网络;网络生命期;路由算法;遗传算法;梯度算法【作者】唐伟;郭伟【作者单位】电子科技大学,通信抗干扰技术国家级重点实验室,四川,成都,611731;电子科技大学,通信抗干扰技术国家级重点实验室,四川,成都,611731【正文语种】中文【中图分类】TP393由于无线传感器网络(wireless sensor networks,简称WSNs)[1]在军事、工业、医疗、运输等领域应用范围的扩大,这种网络逐渐成为近年来研究的热点.无线传感器网络通常由一组静态的传感器节点和一个固定的基站节点构成.传感器节点负责收集所探测范围内的数据,并且通过多跳方式将数据传递给基站;基站则负责接收、处理来自于传感器节点的数据.由于传感器节点往往功率较小而且能量受限,如何提高数据传递的能量效率从而提高网络的生命期,便成为网络设计中的一个关键问题.无线传感器网络的生命期通常被定义为最先因为电池能量耗尽而失效的传感器节点的生命期[2−4].无线多跳网络的节能机制主要是结合节点功率控制进行路由优化[5].节点功率控制机制[6,7]通过动态调整节点的通信功率,在保证网络连通性的情况下,以最小能耗传输数据,从而达到节点本地节能的目的.路由优化[8−13]旨在为数据传递提供一条或多条从传感器节点到基站的多跳路径,并最大限度地减小数据传递路径的整体能量消耗,以降低网络整体能耗,保证网络具有较长的生命期.除此之外,无线传感器网络还具有其自身的特殊性.由于在该类网络中,根据应用环境,邻近节点所收集的数据之间往往具有时间或空间上的关联性[14],因而节点在收到邻居节点收集到的数据后,可以根据自身收集的数据,消除邻居数据中的冗余.而这种技术通常被称为数据聚合,其中,进行数据聚合的节点被称为其邻居节点的数据聚合点.由于数据聚合可以减少节点所需要传递的数据量,合理运用该技术可以进一步减少网络能耗,提高网络生命期.但这也为无线传感器网络中节能路由算法的设计增加了相当的难度,成为了本文研究的出发点.无线传感器网络中,数据聚合可以依照数据压缩的程度分为完美聚合与部分聚合两类.完美聚合是指节点将自身收集到的数据连同所有来自邻居的数据一并压缩为一份数据报文的有损压缩数据聚合方式.部分聚合则是一种无损数据压缩方式,节点根据自己所收集到的数据,将来自邻居的报文进行压缩,除去其中相关冗余的部分后进行转发.在不同的聚合方式与功率控制机制下,路由算法的设计重点和难度也是不同的.在完美聚合方式下,如果不考虑节点功率控制,那么网络最大生命期的问题可以被归结为一个最小Steiner生成树的问题[8],这是一个NP-Hard的问题.对此,已有不少文献提出了启发式路由算法,例如GIT(greedy incremental tree)[8]在最短跳数路由的基础上,采用贪婪算法连接各数据源,并在路径汇集处对数据进行聚合;Ant-aggregation算法[10]通过蚁群算法搜索最优的数据聚合生成树;DDAP(distributed data aggregation protocol)算法[11]在网络随机选择数据聚合点,并采用地理位置路由进行数据转发.在完美聚合方式下,可以进一步考虑节点功率控制,例如 LEACH(low-energy adaptive clustering hierarchy)算法[15]等.该算法通过动态分群算法,将节点的数据集中到邻近的群首进行聚合.然而,该算法假定基站在距离网络很远的地方,群首需要通过高功率将数据传送至基站,分群控制开销和能量开销都较大,而且忽略了基站位置对路由性能的影响[16],一定程度地简化了问题.在部分型数据聚合方式下,同时结合节点功率控制的路由算法设计则更加困难,相关文献还不多见.最早的 MER(minimum energy routing)算法[12]直接采用了最小功率生成树路由,节点的数据通过其父节点进行聚合,并沿着生成树传递至基站.而MEGA(minimum energy gathering algorithm)算法[12]同样基于最小功率生成树,所不同的是,该算法通过编码树选择数据聚合点,采用了有向图中的最短生成树获得问题的解.MLR(maximum lifetime routing)算法[13]采用地理位置路由,其中,数据被分类为原始数据(节点自身收集的数据)和聚合数据(经过数据聚合后去除了冗余信息的数据),两种数据都按照一定比例被分发到邻居节点,并通过最优化方法对最优比例进行求解以最大化网络生命期.然而,该算法并不适合于具有“局部最大”问题[16]的网络拓扑,同时假设数据可以被无限细分,因而又增加了数据报头的开销.总体看来,现有的最大化生命期路由算法还存在如下几个问题:第一,大部分的算法都只考虑路由路径的能量高效性,容易造成数据传输集中在能量最小的路径上,引起网络拥塞,也容易造成该路径上节点能量的快速消耗.因此,考虑能量负载均衡,并以网络生命期作为目标函数更加合理;第二,算法考虑的场景都是静态网络,有些算法采用了动态路由,引入了额外的分群、路由维护开销,却很少有算法讨论过维护动态性开销和网络生命期之间的折衷关系.静态路由算法往往更适合于此类网络;第三,有些算法采用了地理位置路由,既能实现动态路由又节省了路由开销.不过,这类路由协议的问题在于一方面不能适用于所有网络拓扑,具有“局部最大”的问题[16];另一方面,路由路径受到地理位置路由算法的约束限制,往往不是能耗最优的路径;再者,地理位置路由算法要求节点具有位置测算的能力,例如装配GPS(global positioning system)设备,增加了网络成本.采用基于生成树的算法既能具有地理位置路由中无路由开销的优点,又能避免其缺点,更适合于静态无线传感器网络.基于上述分析,本文通过将节点功率控制与部分型数据聚合相结合,提出了一种新的无线传感器网络最大生命期路由算法.该算法以网络生命期作为目标函数进行优化,节点选择各自的数据聚合点进行数据聚合,并采用最小能耗路径作为聚合数据的传递路径.由于数据聚合点的解空间是离散空间而且十分巨大,无法应用传统的基于连续空间的微分学的最优化方法,因而采用了遗传算法(genetic algorithm,简称GA)[17]进行全局搜索,并结合梯度算法将解收敛到全局最优,最大化网络生命期. 本文第1节提出无线传感器网络的系统模型.第2节提出网络生命期的目标函数及优化方法.第3节通过仿真实验验证所提出的路由算法.第4节总结全文.1 系统模型1.1 网络模型无线传感器网络可以用一个连通的随机无向图G( , E)来表示,其中,表示节点集合,节点s∈表示基站,E表示链接集合,节点i和j之间的链接由(i,j)表示.以|V|表示网络中节点的数量,d(i,j)表示节点i和j之间的相对距离,每个节点连续地发送数据.为方便起见,令V=/ {s}.1.2 能量模型假设节点具有相同的最大传输功率pmax,节点能够在[0,pmax]的范围内动态地调整自身的传输功率.我们采用第一阶无线电波能量模型[18],节点i向j发送1bit数据所需消耗的能量可以表示为其中,εelec表示驱动发射机或接收机所需要的功率,εamp表示发射机功率增益,而η表示无线电波传播衰减因子,取值范围通常为2≤η≤4.而节点j接收来自s的1bit 数据所需要消耗的能量可以表示为同时,记网络中节点i的初始能量为ei(单位是J),基站s的能量不受限制.1.3 数据聚合模型由于传感器网络中,通常情况下节点所收集的数据间在时间和空间上具有关联性,数据聚合技术是通过消除信息间相关联的部分,达到压缩信息并节省数据传输开销的办法.假设节点i将原始数据传递给节点j,定义数据相关系数ρ(i,j)=1−H(i|j)/H(i),其中,H(i)表示节点i发送的原始数据大小,而H(i|j)表示节点j的根据其本地信息去掉了该原始数据中与之相关联的信息后所得到的聚合数据的大小.典型的数据相关模型包括反转模型[12],该模型假设数据间的相关性与节点之间相对距离成反比,即;高斯随机场模型[19]则假设数据间的相关性与节点之间相对距离呈指数下降趋势,其数据相关系数可以表示为ρ(i,j)=exp[−αd2(i,j)],其中,α是相关性参数,α越大,相关性越小,反之,则越大.为了避免循环压缩,我们假定对于任何原始数据只发生一次数据聚合,已经被压缩过的聚合数据不再被压缩.1.4 路由模型本文提出一种新的无线传感器路由模型,该模型兼顾了节点功率控制、路径能耗的高效性以及数据聚合技术,借鉴并发展了 MEGA算法[12]中分布式数据聚合方式,将数据聚合的任务合理地分配到网络的各个节点上.该模型不同于传统的基于分群的路由算法中将数据聚合的任务集中交给少数群首节点的方式,避免了网络中少数群首节点成为能耗瓶颈的问题.同时,该算法基于生成树传递数据,不会出现基于地理位置路由中的“局部最大”问题,也不需要类似GPS的地理位置定位系统的支持.如图1所示,节点i∈V从自己的邻居集合Ni中选择一个节点作为数据聚合点,记为ai∈Ni,并记网络中节点数据聚合点决策向量为;决策空间Φ为离散笛卡尔乘积空间,即.节点i将原始数据传递给数据聚合点ai,ai负责为节点i进行数据聚合.为了降低网络的能耗,ai产生的聚合数据通过最小能耗路径传递到基站.其中,最小能耗路径是能量开销最小的数据传递路径,即将拓扑图G的各条边(i,j)的权重设为发送 1bit数据所消耗的能量εt(i,j).然后,采用Dijkstra算法或者等价路由算法获得的路径.实际上,所有最小能耗路径构成了一棵以基站为树根的最小功率生成树,记节点i在该树中的上一级节点为ui.Fig.1 Routing model in WSNs图1 无线传感器网络路由模型在实际应用中,可以通过如下步骤实现:第1步,网络中的各节点通过向邻居节点发送训练报文,估计出链路能耗εt(i,j)以及数据相关系数ρ(i,j);第2步,由基站发起分布式Dijkstra算法获得最小功率生成树,并收集网络中各链路的能耗和数据相关系数;第3步,由基站或者外网节点计算得出优化的数据聚合点决策向量;第4步,由基站沿生成树将数据聚合点决策向量公布到全网,其中,每个节点只需向其子树中的节点公布对应数据聚合点的选择情况.最后,网络中各节点开始收集数据,并依照优化的数据聚合点决策向量和生成树路径传递数据.2 无线传感器网络最大生命期路由问题2.1 问题描述假设传感器节点的初始能量为(单位是J),原始数据产生速率为(单位是 bps),那么对应于数据聚合点决策向量∈Φ,节点i的聚合数据率(单位是bps)包括两部分:其一是来自邻居节点的原始数据经过压缩得到;其二是由子节点转发来的聚合数据.γi可以表示为其中:以节点i为数据聚合点的所有节点j的原始数据rj经过数据聚合后变为rj[1−ρ(j,i)],对所有这样的节点求和后成为式中的第1项;式中的第2项表示以节点i 为父节点的所有节点j的聚合数据的求和节点i在单位时间内的能量开销比例(相对于节点的能量ei)包括3个部分:其一是节点i发送自身产生的原始数据的能耗;其二是接收并转发来自邻居节点的原始数据所消耗的能量;最后是接收并转发来自子节点的聚合数据.总体上可以用下式表示:其中,riεt(i,ai)表示节点i将原始数据发送到其数据聚合点ai的能耗,表示选择节点i 接收来自邻居节点的原始数据并转发压缩后的聚合数据所消耗的能量,而表示节点i 接收来自其子节点的聚合数据并将其转发给父节点ui的能耗.于是得到节点i的生命期的表达式:根据本文上面给出的定义[2−4],无线传感器网络的生命期是最先因为电池能量耗尽而失效的传感器节点的生命期.问题的目标函数,即网络的生命期可以表示为因而在所提出的路由模型下,无线传感器网络最大生命期路由问题可以被归纳为一个离散空间中的非线性规划问题:在离散空间Ω中求解最优决策向量,使得目标函数Tnet()在处取得最大值,最大化的网络生命期以及最优决策向量可以用下式来表示:2.2 GA-MLR算法由于Φ是一个离散空间,目标函数在该空间中不连续、不可导且非凸函数,所以不能采用传统的基于梯度或者光滑化的最优化方法来寻求的最优解.另一方面,由于WSN的拓扑图G可以视为一个连通的随机单位圆图(connected random unit dist graph),根据文献[20]中节点连接度的概率分布结果,网络中绝大部分节点的邻居数量都不少于2.由此,通过渐进分析易知,随着网络规模的扩大,离散空间Ω的增长不慢于2关于节点数量的指数增长速率,即,其中,Ω(·)表示渐进下界.因此,采用穷举搜索的办法显然也不可行.为此,本文采用现代启发式算法中相对成熟的遗传算法[18]来求解该问题,并相应地提出了 GA-MLR (genetic algorithm-based maximum lifetime routing)算法.遗传算法是由达尔文的进化论衍生而来的一种算法,本质上是通过大量备选解的变换和迭代,在解空间中进行并行、动态全局搜索的最优化方法.由于遗传算法具有比较完备的数学模型和理论,在解决很多 NP-Hard问题上具有良好的性能.2.2.1 编码方法由于所考察问题的特殊性,我们没有采用常用的二进制 0-1编码,而是直接采用决策向量作为编码.这是因为决策空间Φ是一个笛卡尔乘积空间,决策向量的各分量相互独立,在决策向量间进行交叉和变异运算之后,所得到的仍然是决策空间Φ中的决策向量,既不会丧失其物理意义,又简化了变换之后的维护操作.2.2.2 初始群体的选择通过将决策向量的每一个分量在对应节点的邻居中进行随机均匀的选择,产生一组在决策空间中均匀随机分布的决策向量.群体的规模不宜太小,不然会导致算法搜索范围狭窄,容易陷入局部最优,降低算法性能.反之,群体的规模也不宜过大,否则将增加算法复杂度,导致算法收敛缓慢.经过实验发现,当群体规模和节点数量|V|在一个数量级上时,算法居于较好的性能,能够很快地逼近最优解.2.2.3 适应度函数和选择方法定义决策向量的适应度函数,即直接采用决策向量所对应的网络生命期作为适应度,网络生命期越大,对应的决策向量越适合于继续生存到下一代.在遗传算法中,选择方式决定了算法收敛的速率.选择方式通常有两种:一种是按比例选择;另一种是基于序数的选择.我们采用基于序数的选择方式,因为该种方式常常具有更好的性能[17].对适应度函数采取幂定标的方法,其定标可用下式表达:决策向量被选择的概率与其定标成正比,可以采用蒙特卡罗(Monte Carlo)的方法进行选取.参数p与遗传算法的收敛性有着密切的关系,p越大,选择适应性度高的决策向量的可能性越大,算法收敛越快,但也越难以跳出局部最优.反之,算法收敛越慢,但却相对容易跳出局部最优.实验结果表明,p取 1.05时,算法能够取得比较好的效果.在选择过程中,为了更好地保证遗传算法的收敛性,我们还采用了精英模型(elitist model),即如果新一代群体中适应度最高的个体小于上一代中适应度最高的个体,那么将上一代群体中适应度最高的个体保存到新一代群体中.2.2.4 交叉操作在遗传算法中,交叉操作与算法的全局覆盖率以及跳出局部最优的能力密切相关,因为交叉操作有利于增加新老两代个体之间的差异性以及同一代群体中个体之间的多样性.当然,差异性和多样性也不是越大越好,否则也容易导致算法不稳定,收敛缓慢.我们采用均匀随机交叉(uniform crossover)的方法,采用该方法能够有效地跳出决策向量的邻域,最大程度地扩大搜索范围,避免算法收敛于局部最优解.同时,经过实验发现,交叉概率pc∈[0.5,1.0]时,效果比较好.2.2.5 变异操作在遗传算法中,变异操作能够在个体的邻域中进行搜索,使得算法具有梯度算法的一些特征,与算法收敛的准确性有密切的关系.我们采用单点变异的方法,即随机选择决策向量的一个分量,从对应节点的邻居中均匀、随机地选择一个节点作为新的数据聚合点.于是,算法能够在决策向量的邻域内搜寻,提高算法收敛的准确性.实验结果表明,变异概率pm∈[0.01,0.05]时效果较好.2.2.6 算法收敛性文献[21]使用马式链模型对采用精英模型的遗传算法的收敛性进行了研究,证明了在精英模型下遗传算法能够收敛到全局最优解.于是得到如下定理:定理1. 本文采用的遗传算法能够收敛到全局最优解.从仿真实验中可以发现,算法在所选择参数下能够在不多于网络规模两倍的迭代次数内收敛,并由此可以分析所用遗传算法的时间复杂度.2.2.7 算法时间复杂度分析定理2. 本文采用的遗传算法的时间复杂度为O(|V|2).证明:注意到,遗传算法中的种群数量为O(|V|),交叉概率为pc,变异概率为pm.因此,算法每次迭代需要O(pc|V|)次交叉操作、O(pm|V|)次变异操作以及O(|V|)次选择操作.所以,算法每次迭代需要O(|V|)次操作.又注意到,算法的迭代次数为2|V|,因而所用遗传算法总的时间复杂度为O(|V|2).2.3 梯度算法由于遗传算法主要适合于在全局搜索最优解,它在单个点的领域内进行搜索的能力是比较有限的,因而在实际工程应用中往往还要配合贪婪算法进一步优化.为此,在执行遗传算法后又加入了离散空间中的梯度算法以保证决策向量收敛到全局最优解.我们针对目标函数的特殊性,提出了一种离散空间中的梯度定义和相应的梯度算法. 在离散空间Φ中,定义决策向量和之间的距离为两向量之间的汉明距离(Hamming distance),也就是说,如果在两个决策向量中,有k个节点对于数据聚合点的选择不同,那么这两个决策向量之间的距离就是k.定义决策向量的邻域:邻域中的决策向量即是让中的任意一个节点选择不同邻居节点后所得到的新的决策向量,由此定义梯度:从梯度的定义中不难发现,对于决策向量邻域中的决策向量.于是,梯度的值等于对应网络生命期的差值.为了使算法最快收敛,我们在决策向量邻域中选择这样的决策向量,该向量使得梯度的值达到最大.于是得到下面的最速梯度上升算法:设初始决策向量为(该决策向量由遗传算法得到),如果在的邻域 ()N中存在决策向量,满足,则记决策向量.重复以上步骤.假设当算法进行到第K步时,对于任何决策向量,都有,则算法终止,所得到的决策向量便是所求的最大化网络生命期的决策向量.定理3. 本文提出的梯度算法在有限步骤内收敛.证明:假设定理不成立.令,序列{Tnet(k)}随着k的增加而单调递增,对任意自然数K 存在k＞K满足Tnet(k)＞Tnet(K).但是Φ是一个有限空间,只需令K=|Φ|,即得出矛盾.因此,算法必然在有限步骤内收敛.由于之前经过了遗传算法的优化,梯度算法实际上只需要很少的步骤就可以达到收敛.由于目标函数的非线性特性,算法的时间复杂度难以通过理论分析得出.不过,从下面的仿真结果分析中不难看出,算法的时间复杂度也近似为O(|V|2).3 仿真验证由于目前同时考虑节点功率控制和部分数据聚合的路由算法还不多见,本文针对现有的 3种算法进行仿真对比,将GA-MLR算法的性能与MER,MEGA以及MLR算法作了比较.3.1 场景设置本文采用了与文献[13]中类似的场景.在100m×100m的矩形区域内随机放置20～100个传感器节点,所有节点的最大通信距离为 20m,第一阶无线电波功耗模型参数εelec=50nJ/bit,εamp=100pJ/bit/m2,无线传播路径衰减指数η=2.采用高斯随机场模型作为数据互相关模型,其中,参数α的取值范围为 0.001/m2和0.01/m2(α越小,数据互相关程度越低).所有节点的初始能量均为 1kJ,且原始数据产生速率均为1kb/s.所有仿真结果均为20个随机场景结果的平均值,而且所有场景都不出现“局部最大”问题[16],以保证MLR算法能够正确运行.3.2 仿真结果图 2显示了一个典型网络场景中数据聚合的情况,其中,实线代表最小功耗路径上的链路,而带箭头的虚线代表节点对数据聚点的选择情况.从图中可以看出,本文所提出的算法具有如下特点:第一,聚合数据通过最小能量路径传递,以保证数据传递的能量高效性,避免网络整体能量的快速消耗;第二,通过让各节点选择数据聚合点,将数据分配到各条最小能量路径中,均衡路径能耗;第三,由于数据聚合点选择的分散性,网络中不存在类似分群算法的集中式结构,避免出现能耗负载集中在少数节点的情况,有利于能耗负载的均衡;第四,能够适应于各种网络拓扑,不存在基于地理位置路由中对网络拓扑的限制约束,例如相对稀疏的网络等.图3显示了在不同传感器节点数量下网络生命期的对比情况.α的取值分别为0.001/m2和0.01/m2,以显示不同相关系数对协议的影响.从图中可以看出,随着网络规模的增大,网络生命期呈现逐渐下降的趋势.这是因为,网络的数据负载与节点数量成正比,而节点能量是一定的,造成了网络整体能耗增加,网络生命期下降.GA-MLR 算法的性能明显优于MLR算法的性能,而MEGA和MER算法的性能最差.MEGA 算法由于引入了数据聚合技术,考虑了相关性影响,性能略优于MER算法;而 MLR 算法通过数据的分流策略,均衡节点能耗,能够在一定程度上提高网络的生命期.但是,由于MLR算法受到地理位置路由以及算法中自由参数c对结果精度的影响,数据传递路径难以达到最小能耗路径对网络整体能耗的优化效果,因此优化并不充分.由于GA-MLR算法同时考虑了数据的相关性和数据传递路径的节能性,对网络生命期具有很大的提升,因而明显优于其他 3种算法.GA-MLR算法中的网络生命期在α=0.001/m2时,相对于MER和MEGA算法具有56%～251%的提升,相对于DA-。

多移动基站无线传感器网络生命期最大化算法

多移动基站无线传感器网络生命期最大化算法史久根;江锋【期刊名称】《计算机系统应用》【年(卷),期】2014(000)010【摘要】Due to the wireless sensor network (WSN) is provided by battery, energy management becomes a fundamental problem in such network. In view of the maximization lifetime problem of the restricted multiple mobile base stations network, we will propose the MMBEC algorithm in this paper. Since the mobile station was limited by the actual road and its own energy, we first balance the energy load of base stations by sub loops division, and then we move the base stations periodically in order to achieve the data traffic balance of nodes adjacent roads. Because the balancing of subloops problem belongs to NPC problem, in this paper we proposed an approximation algorithm for the purpose of finding an approximate solution. Control the mobile base stations stay periodically ensures the energy of the nodes adjacent to roads exhaust almost at the same time, and therefore, prolong the lifetime of network. The results of simulation experiment show that the algorithm prolongs the lifetime of network and improves the throughput capacity of data when compared with the existing algorithms.%无线传感器网络(WSN)的传感器节点一般由电池提供能源，故能量管理在 WSN 中是一个基础问题。

最大流算法原理

最大流算法原理
最大流算法是一种用于解决网络流问题的重要算法。

在网络流问题中，我们需要在一个有向图中找到从源点到汇点的最大流量，即图中能够通过的最大流量。

最大流算法可以用来解决很多实际问题，如物流调度、交通规划、电力调度等。

最大流算法的核心在于不断地寻找增广路径，即在网络中找到一条从源点到汇点的路径，使得路径上所有边的流量都可以增加。

通过不断地寻找增广路径，最大流算法可以找到网络中的最大流量。

最常用的最大流算法是“Ford-Fulkerson算法”，这种算法通过不断地寻找增广路径来求解最大流问题。

具体实现中，
Ford-Fulkerson算法使用深度优先搜索来寻找增广路径，并使用最小割定理来确定最大流量。

最大流算法是一种重要的算法，它在解决网络流问题方面具有广泛的应用。

随着网络流问题的不断增多，最大流算法的研究也变得越来越重要。

- 1 -。

一种传感器网络最大化生命周期数据收集算法

一种传感器网络最大化生命周期数据收集算法张卿;谢志鹏;凌波;孙未未;施伯乐【期刊名称】《软件学报》【年(卷),期】2005(16)11【摘要】从理论上分析了最大化网络生命周期的数据收集问题.主要做了以下4项工作:(1)分析了简化的静态路由模式,其中只有一棵路由树用于收集数据.(2)分析了真实的动态路由模式,其中有一系列的路由树用于收集数据.(3)提出了一种近似最优的最大化网络生命周期的数据收集和聚集算法MLDGA,MLDGA一方面试图最小化每轮数据收集中所消耗的总能量,另一方面试图最大化每轮数据收集中所使用的路由树的生命周期.(4)用Java语言实验模拟了MLDGA算法,并与现有的算法进行比较.实验结果表明,无论基站的位置还是传感器的初始能量发生变化,MLDGA都取得良好的性能,而现有的数据收集算法只适应于特定的变化.%This paper investigates the maximum lifetime data gathering problem theoretically. Specifically, (1) the simplified static routing scheme where only one routing tree is used to gather data during the lifetime of network is analyzed, (2) the actual dynamic routing scheme where a series of routing trees are used to gather data is analyzed,(3) a near optimal maximum lifetime data gathering and aggregation algorithm MLDGA is proposed, which tries to minimize the total energy consumption in each round and maximize the lifetime of a routing tree used in the round,(4) the MLDGA algorithm is simulated in Java programming language. Comparing with the existing algorithms that are only efficient in some specified conditions, thesimulation results show that MLDGA performs well regardless of base station location and initial battery energy levels of sensors.【总页数】12页(P1946-1957)【作者】张卿;谢志鹏;凌波;孙未未;施伯乐【作者单位】复旦大学,计算机与信息技术系,上海,200433;复旦大学,计算机与信息技术系,上海,200433;中国浦东干部学院,信息技术部,上海,200233;复旦大学,计算机与信息技术系,上海,200433;复旦大学,计算机与信息技术系,上海,200433【正文语种】中文【中图分类】TP393【相关文献】1.无线传感器网络中一种能量均衡的基于连通支配集的数据收集算法 [J], 奎晓燕;杜华坤;梁俊斌2.一种受时延约束的最大化生命周期数据收集算法 [J], 刘文彬3.无线传感器网络中一种基于移动Sink的数据收集算法 [J], 张蕾;张堃;宋军4.无线传感器网络中一种基于可靠性的数据收集算法 [J], 黄媛5.一种基于拓扑的传感器网络数据收集算法 [J], 杨明;官健;虞嘉圆;胡婷;王礼华因版权原因，仅展示原文概要，查看原文内容请购买。

最大生存周期的无线传感器网络数据融合算法

最大生存周期的无线传感器网络数据融合算法
张振宇;赵秋伶
【期刊名称】《计算机科学》
【年(卷),期】2013(040)0z2
【摘要】针对无线传感器网络的节点能量有限,且在进行信息传输时存在数据冲突、传输延时等问题,提出基于最大生存周期的无线传感器网络数据融合算法.该算法将
整个网络中的节点分成多个簇,并根据节点的传输范围,将每个簇中的节点均匀分布,每个节点根据自己的本地信息和剩余能量选择通信方式向簇头节点传输数据,从而
形成传输数据的最短路径;并根据集中式TDMA调度模型,运用基于微粒群的Pareto优化方法,使得网络在完成规定的信息传输时每个节点耗费的平均时隙和平均能耗最低.仿真结果表明,上述算法不但可以最大化网络的生存周期,还可以有效地降低数据融合时间,减少网络延时.
【总页数】4页(P18-21)
【作者】张振宇;赵秋伶
【作者单位】辽宁工程技术大学电信学院葫芦岛125105;辽宁工程技术大学基础
教学部葫芦岛125105
【正文语种】中文
【中图分类】TN92
【相关文献】
1.基于最大生存周期的无线传感器网络数据融合 [J], 李英顺;王德彪;丁伟祥;邹翔;徐长青
2.基于最大生存周期的无线传感器网络能量模型研究 [J], 掌明
3.栅栏覆盖最大化生存周期调度算法 [J], 班冬松;杨威;宋磊;蒋杰;窦文华
4.无线传感器网络最大生命期数据融合算法 [J], 高德民;钱焕延;严筱永;王晓楠
5.无线传感器网络中面向多数据查询的安全数据融合算法 [J], 王炎
因版权原因，仅展示原文概要，查看原文内容请购买。

基于跨层设计的传感器网络寿命最大化算法

基于跨层设计的传感器网络寿命最大化算法单立群;汪晋宽;刘志刚;杜瑞燕【期刊名称】《东北大学学报（自然科学版）》【年(卷),期】2012(033)011【摘要】The lifetime maximization in wireless sensor networks (WSNs) was investigated. Network traffic and power consumption were analyzed, and an optimization model was proposed, which integrated power control and data aggregation. A decomposition algorithm was presented to solve the model by decomposing the model into sub-problems. The optimal transmission power, transmission rate and routing selection solution could simulation results showed that the data traffic can be balanced on the basis of the proposed cross-layer design be prolonged effectively.%面向监测应用的无线传感器网络，当链路存在干扰时，节点在传输数据时会对位于其干扰范围内的节点造成信号干扰，从而使得这些节点不能正确收到其它节点传输的数据．针对这种场景下的网络寿命最大化问题，分析了网络流量和节点能耗，提出了一种将功率控制和数据聚合路由相结合的非凸优化模型．通过对数转换方法将非凸优化问题转化为凸优化问题，利用优化理论和方法将凸优化问题分解为聚合数据率分配子问题和功率控制子问题，最后给出了联合优化问题的分布式解法．仿真实验表明，使用该方法可以有效减少数据通信量，均衡各个节点的能量消耗，有效延长网络寿命．【总页数】4页(P1555-1558)【作者】单立群;汪晋宽;刘志刚;杜瑞燕【作者单位】东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819;东北大学信息科学与工程学院,辽宁沈阳110819【正文语种】中文【中图分类】TP393【相关文献】1.无线传感器网络寿命与效用的跨层优化 [J], 李昌兴;张青;张珑耀2.基于均匀分簇的无线传感器网络寿命最大化理论分析 [J], 马明;刘安丰3.基于跨层设计的矿山物联网感知层协作网络寿命优化 [J], 宋得名;曲立国;黄友锐;陈珍萍4.无线传感器网络寿命与效用的跨层优化 [J], 李昌兴;张青;张珑耀5.最大化全移动无线传感器网络寿命的可信信息\r覆盖重定位算法 [J], 高涛;龚学余;许敏良因版权原因，仅展示原文概要，查看原文内容请购买。